Hvorfor beslutninger fra AI-chats går tabt, og hvor du skal gemme dem

Beslutninger truffet i en samtale med ChatGPT eller Claude går tabt, fordi en chat ikke har nogen tilstand. Intet i den markerer en linje som "det her besluttede vi", intet knytter den linje til det arbejde, den påvirker, og en ny chat starter tom. Løsningen er at lade AI'en skrive beslutningen ned dér, hvor arbejdet bor, som en kort registrering med begrundelser, og lade den næste session læse de registreringer, før den handler.

Vi laver Weft. Fakta om andre produkter kommer fra deres officielle sider, tjekket 27. oktober 2026. Idéen om, at en tråd "ikke har nogen tilstand", kommer fra Hypertasks artikel om Slack-tråde. Denne guide bruger den på AI-chats.

Hvorfor forsvinder beslutninger truffet med ChatGPT eller Claude?

Du bruger fyrre minutter med en assistent på at afveje to databaseudbydere, to prismodeller eller to måder at strukturere et API på. Du lander på én. Ræsonnementet er godt, assistenten er enig, og du går videre til det næste.

En uge senere står konklusionen stadig i den chat, et sted over to hundrede andre beskeder. En ny chat ved intet om den. En kollega så den aldrig. Og åbner du en anden AI-klient dagen efter, for eksempel en kodeagent i din terminal, starter den klient fra nul og foreslår måske frejdigt den mulighed, du forkastede.

Det er ikke et disciplinproblem. En samtale er en række beskeder. Den har intet felt for "besluttet", ingen ejer, intet link til en opgave og ingen måde at sige "det her erstattede det, vi sagde i tirsdags". Et afgjort spørgsmål og et opgivet ser ens ud, når de er rullet væk.

Løser chathukommelse ikke allerede det?

Ikke til det her job. Mange assistenter kan nu huske ting om dig mellem chats, og det er nyttigt til præferencer og baggrund. Men den hukommelse tilhører ét produkt og én konto. Den er skrevet til den assistents brug, ikke som en registrering, et menneske kan gennemgå linje for linje, og en anden AI-klient kan ikke læse den. Den siger heller ikke, hvilken opgave et valg handlede om, eller hvilket tidligere valg det erstattede.

En beslutningslog har andre krav. Den skal kunne findes af de mennesker og agenter, der arbejder på projektet, kunne læses af den AI-klient, der tager arbejdet op næste gang, være knyttet til det arbejde og være ærlig om historikken: når en beslutning ændres, skal den gamle forblive synlig med grunden til, at den blev erstattet.

Hvad tæller som en beslutning, der er værd at registrere?

Registrér et valg, når nogen med rimelighed kunne have valgt anderledes, og valget vil forme senere arbejde. Gode eksempler:

• At vælge ét værktøj, én leverandør eller ét bibliotek frem for et andet.
• At droppe noget med vilje ("intet henvisningsprogram i dette kvartal").
• At sætte en regel, arbejdet skal følge ("alle priser vises med moms i EU").
• At ændre et tidligere valg, med begrundelsen.
• En lektie lært på den hårde måde ("kør ikke migreringen i arbejdstiden").

Registrér ikke:

• Idéer, du luftede og ikke tog til dig.
• Skridt i selve arbejdet (de hører hjemme i opgaven og dens resultat).
• Noget, mennesket endnu ikke har sagt ja til, medmindre det tydeligt er markeret som forslag.
• Fakta, som alle kan slå op igen på et minut.

En nyttig test: hvis en ny AI-session var ved at omgøre dette valg, ville du så have, at den stoppede og læste hvorfor? Hvis ja, så registrér det.

Hvordan ser en god beslutningsregistrering ud?

Hold den kort, og behold begrundelserne. Formatet nedenfor er en let udgave af MADR (Markdown Architectural Decision Records), som er det, Wefts værktøj record_decision bruger:

Titel:         Filupload: objektlager, ikke databasen
Udfald:        Uploadede filer lægges i objektlager; databasen gemmer
               kun filnøglen og metadata.
Status:        accepted
Kontekst:      Brugerne vedhæfter filer på op til 50 MB. At gemme dem i
               databasen ville gøre backups langsomme og store.
Muligheder:    1. Objektlager     + billigt, backups forbliver små
                                  - endnu en tjeneste at konfigurere
               2. Databasekolonne + ét sted til alt
                                  - backups vokser med hver upload
Konsekvenser:  Vi skal bruge signerede URL'er til downloads.
               Sletning af en opgave skal også slette dens filer.
Genovervej når: Vi skal kunne søge i filernes indhold.
Opgave:        Filupload

• Titel navngiver beslutningen, så du kan finde den ved at skimme.
• Udfald er én sætning, en nyankommen kan handle på.
• Kontekst er det, der var sandt på tidspunktet. Det er den del, der først forsvinder fra hukommelsen.
• Muligheder lister kun det, der faktisk blev afvejet, ikke alternativer opfundet bagefter.
• Konsekvenser rummer de ulemper, du accepterede, så ingen senere "opdager" dem som fejl.
• Genovervej når siger, hvad der ville gøre valget forkert.

Hvordan gemmer Weft en beslutningsregistrering?

Weft er en opgavetavle, som dine AI-klienter når over MCP på https://letsweft.com/api/mcp. Tre af dens 32 værktøjer håndterer beslutninger:

• record_decision tager en titel og et udfald plus kontekst, op til fem muligheder med fordele og ulemper, konsekvenser og betingelsen for at tage den op igen. Den kan knyttes til en opgave (taskId) eller et projekt. Registreringer kan ikke ændres: for at ændre en registrerer AI'en en ny beslutning med supersedesId, der peger på den gamle, og den gamle registrering bliver stående, markeret som erstattet.
• get_context returnerer arbejdsområdets gældende beslutninger og lektier, nyeste først, pakket til et budget af tokens (800 tokens som standard). Den kan indsnævres til et projekt eller en opgave. Hver linje har sin dato, en erstattet beslutning vises aldrig, og linjer, der ikke var plads til, tælles i stedet for at blive skjult.
• get_task_history i decisions-tilstand lister hver beslutning, der er registreret om én opgave, inklusive gennemgangsdomme og deres begrundelser.

record_decision har en anden brug: at videregive en dom, som mennesket gav i samtalen om arbejde, der venter på deres gennemgang (godkendt, omarbejd, droppet eller udskudt). Værktøjsbeskrivelsen fortæller AI'en, at den her er budbringeren, ikke den, der beslutter, så den må aldrig bruge det til at godkende sit eget arbejde.

Fordi registreringer aldrig redigeres på stedet, forbliver historikken ærlig. Skifter du udbyder i marts, står januar-beslutningen der stadig, markeret som erstattet, og marts-registreringen siger hvorfor.

Hvordan beder jeg min AI om at registrere beslutninger?

Forbind Weft til din AI-klient, og indsæt så en instruktion som denne i starten af en chat eller i klientens brugerdefinerede instruktioner eller projektfil, hvis den har en:

Når vi træffer et reelt valg i denne chat (vi vælger én mulighed frem for en anden,
vi dropper noget, eller vi ændrer et tidligere valg), så registrér det i Weft med
record_decision, før vi går videre:
- title: beslutningen, navngivet med få ord
- outcome: valget som én sætning
- context: det, der var sandt og tvang valget frem
- options: kun de muligheder, vi faktisk afvejede, med fordele og ulemper
- consequences: hvad der følger, godt og skidt
- confirmation: hvornår vi bør tage det op igen
- taskId eller project: den opgave eller det projekt, det handler om
Ændrer det en tidligere beslutning, så angiv supersedesId i stedet for at redigere.
Registrér ikke småsnak, gæt eller ting, jeg ikke har sagt ja til.
Har jeg ikke lagt mig fast endnu, så brug status "proposed".
I starten af ethvert ikke-trivielt arbejde: kald get_context først, og fortæl mig,
hvilke tidligere beslutninger der gælder.

Det tager et minut at forbinde. I ChatGPT er Weft en udgivet app i plugin-kataloget, tilgængelig på alle planer, også Free (opsætning). I Claude Code er det én kommando (opsætning). Claude.ai og Claude Desktop tilføjer den som custom connector. Login er OAuth i browseren, så der er ingen nøgle at kopiere, og Weft udsteder refresh tokens, så klienten fornyer selv login. Opsætningssider til andre klienter, bl.a. Cursor og Codex, findes i dokumentationen.

Hvad sker der, når jeg skifter fra ChatGPT til Claude Code dagen efter?

Her er det tilfælde, instruktionen er bygget til.

1. Mandag planlægger du en funktion i ChatGPT. Du beslutter at gemme uploads i objektlager frem for i databasen, og ChatGPT kalder record_decision med konteksten, begge muligheder og konsekvenserne, knyttet til opgaven "Filupload".
2. Tirsdag åbner du Claude Code i repoet. Har du ikke forbundet den endnu: claude mcp add --transport http weft https://letsweft.com/api/mcp.
3. Du beder den tage upload-opgaven. Før den skriver kode, kalder den get_context for den opgave eller get_task_history i decisions-tilstand og får mandagens registrering tilbage.
4. Den bygger mod objektlager i stedet for at åbne spørgsmålet igen. Finder den en reel grund til, at valget er forkert, kan den foreslå en ny beslutning, der erstatter mandagens, og du beslutter.

Begge klienter læser den samme tavle og de samme beslutninger, fordi registreringen bor i Weft, ikke i nogen af chattene. Hver OAuth-forbindelse er sin egen aktør, og tavlen viser det navn, hver klient registrerede sig med, så du kan se, hvilken forbindelse der oprettede hvilken opgave. Om at køre flere agenter på én tavle uden sammenstød, se flere AI-agenter, én tavle.

Hvor skal beslutninger fra ChatGPT ende?

Fire almindelige steder, sammenlignet på det, en beslutningslog har brug for:

Pointen er ikke, at chat eller dokumenter er dårlige. Chatten er dér, du tænker. Beslutningen skal kopieres ud af chatten til noget med tilstand, i det øjeblik den træffes, af den part, der allerede er med i samtalen: AI'en.

Erstatter det vores dokumentation eller wiki?

Nej. Weft har ingen dokumenter eller wiki og prøver ikke at være en. Lange forklaringer, onboardingguides og designbeskrivelser hører hjemme i dit dokumentværktøj. En beslutningsregistrering er bevidst lille: ét valg, dets begrundelser og det, der erstattede det. Holder dit team allerede beslutningsregistreringer i en wiki, og kan alle de AI-klienter, du bruger, læse den, er det måske nok. Weft er nyttig, når beslutningerne træffes i AI-chats, og den næste læser ofte er en anden AI. Overvejer du Notion til det, så se alternativer til Notion til AI-opgaver.

To andre ærlige begrænsninger. Weft læser ikke dine chats: en beslutning registreres kun, når AI'en kalder record_decision, og derfor betyder instruktionen ovenfor noget. Og AI'en kan fejlbedømme, hvad der tæller som en beslutning, så læs get_context en gang imellem, og erstat det, den tog fejl af.

Hvad koster det?

At registrere og læse beslutninger virker på Free-planen, som indeholder 50 aktive opgaver og 200 AI-værktøjskald om måneden. Hvert record_decision- eller get_context-kald tæller som ét kald. Pro koster 8,13 € pr. plads om måneden eller 68,75 € pr. plads om året med ubegrænsede opgaver og kald (priser). Weft har ingen AI-kreditter: tænkningen sker i din egen AI-klient, og Weft gemmer kun tavlen og dens registreringer.

Kan jeg ikke bare bede ChatGPT opsummere beslutningerne i slutningen af en chat?

Det kan du, og det hjælper. Men opsummeringen bor stadig i den chat, eller hvor du nu indsætter den. Den er ikke knyttet til opgaven, en anden AI-klient kan ikke læse den, og når beslutningen ændres, er der ingen registrering af, hvad den erstattede. At registrere hver beslutning, idet den træffes, undgår alle tre.

Registrerer AI'en beslutninger uden at blive bedt om det?

Beskrivelsen af record_decision beder AI'en bruge det, hver gang brugeren træffer et reelt valg i samtalen, så nogle klienter gør det. Stol ikke på det. Den indsatte instruktion gør det eksplicit, og du kan altid sige "registrér den beslutning".

Kan en beslutning redigeres, hvis den blev registreret forkert?

Ikke på stedet. Registreringer kan ikke ændres. Registrér en rettet beslutning med supersedesId, der peger på den forkerte. Den gamle registrering bliver stående, markeret som erstattet, og get_context holder op med at vise den.

Skal beslutninger have en opgave?

Nej. En beslutning kan knyttes til en opgave, til et projekt eller til ingen af dem. At knytte den til en opgave betyder, at get_task_history viser den ved siden af det arbejde, og get_context kan indsnævres til den.

Er det det samme som Wefts arbejdshukommelse?

Nej. Arbejdshukommelse (korte lærte noter) er en separat Pro-funktion. Beslutningsregistreringer kommer fra record_decision, og koden begrænser dem ikke til Pro.

Hvad hvis jeg bruger mere end én AI-klient?

Det er hovedgrunden til at gøre det. ChatGPT, Claude Code, Cursor eller Codex forbundet til det samme Weft-arbejdsområde læser alle de samme beslutninger via get_context, så den anden klient ikke åbner spørgsmål igen, som den første afgjorde.